本文研究度量差分隐私（metric differential privacy, mDP）机制的可扩展构造问题。mDP 适合定义在结构化的秘密域上（例如路网、地理网格、坐标空间），因为它的隐私保证随秘密值之间的度量距离变化，比标准差分隐私更贴合位置类数据。但现实中的目标域往往规模庞大且粒度极细，直接在该域上构造同时兼顾隐私与效用的机制，计算开销通常高到不可接受。作者因此系统研究『扩展式』mDP 设计：先在规模有限的种子记录集合上指定一个机制，再把它扩展到更大的目标域，而不是一次性针对全域求解。作者指出，据其所知，这是首个把『扩展』作为 mDP 通用设计范式（而非某个具体方法的附带构造技巧）加以形式化的工作。为此，论文提出一个基于图的扩展框架：把种子记录与目标域元素组织成图结构，并给出保证正确性的三项条件——局部 mDP 约束（种子层面各自满足 ε-mDP）、重叠一致性（不同种子扩展在重叠区域给出的结果必须一致，从而全局机制良定义）、以及后继层 mDP 保持（扩展过程中隐私参数不被稀释）。论文证明，在上述条件成立时，由种子机制诱导出的全局机制是良定义的，并在目标域上满足 ε-mDP。作者进一步用面向多分辨率网格的树形扩展算法实例化该框架，其中多维扩展通过一维插值加逐维组合来实现，从而把高维构造成本降到可接受范围。在道路网数据集上的实验显示，该方法在保持精确 mDP 保证的同时取得了较强的效用—可扩展性折衷。论文定位为方法论与理论贡献，适合隐私保护数据发布、位置隐私、地理不可区分性机制设计方向的研究者与工程实现者阅读。